Entscheidungsbäume und Lernen aus Daten
Dein Streamingdienst schlägt dir nach zwei Folgen einer Serie sofort die nächste vor. Dein Smartphone versteht, wenn du ihm etwas zurufst. Woher „weiß“ der Computer das alles? Hat ihm jemand jede Regel einzeln einprogrammiert, oder hat er sich vieles selbst beigebracht? Am Ende der Seite kannst du das beantworten.
KI im Alltag
Eine künstliche Intelligenz (KI) ist ein Computerprogramm, das Aufgaben löst, für die wir normalerweise Nachdenken, Sehen, Hören oder Sprechen brauchen. Sie begegnet dir ständig:
| Anwendung | Was die KI tut | Beispiel |
|---|---|---|
| Spracherkennung | wandelt gesprochene Sprache in Text oder Befehle um | Sprachassistent im Smartphone |
| Bilderkennung | erkennt, was auf einem Foto zu sehen ist | Foto-App sortiert alle Hundebilder |
| Empfehlungsdienst | schlägt passende Inhalte vor | Serien- und Musikvorschläge |
| Suchmaschine | ordnet Ergebnisse nach Relevanz | Trefferliste bei einer Suchanfrage |
Alle diese Programme haben eines gemeinsam: Sie wurden nicht mit einer Liste fertiger Regeln gebaut, sondern haben aus sehr vielen Beispielen gelernt. Das nennt man maschinelles Lernen.
Nenne drei Beispiele für Anwendungen künstlicher Intelligenz im Alltag, zum Beispiel beim Smartphone, beim Streaming oder im Internet. Erkläre zu jedem Beispiel in einem…
Nenne drei Beispiele für Anwendungen künstlicher Intelligenz im Alltag, zum Beispiel beim Smartphone, beim Streaming oder im Internet. Erkläre zu jedem Beispiel in einem Satz, was die KI dabei tut.
Ordne zu, welche Art von KI-Anwendung jeweils beschrieben wird: (a) Ein Streamingdienst schlägt dir Serien vor, (b) Ein Smartphone versteht „Hey, wie spät ist es?“, (c)…
Ordne zu, welche Art von KI-Anwendung jeweils beschrieben wird: (a) Ein Streamingdienst schlägt dir Serien vor, (b) Ein Smartphone versteht „Hey, wie spät ist es?“, (c) Eine App erkennt auf einem Foto einen Hund, (d) Eine Suchmaschine ordnet Ergebnisse nach Relevanz.
Mögliche Arten: 1. Spracherkennung, 2. Bilderkennung, 3. Empfehlungsdienst, 4. Suchmaschine/Ranking.
Entscheidungsbäume
Ein Entscheidungsbaum ist ein einfaches Modell, mit dem ein Computer (oder du) eine Entscheidung trifft. Man stellt nacheinander Ja/Nein-Fragen. Jede Antwort führt zur nächsten Frage oder zu einem Ergebnis.
-
Die Wurzel ist die erste Frage.
-
Die Verzweigungen sind die Antworten.
-
Die Blätter am Ende sind die Entscheidungen.
Beispiel: „Gehe ich heute ins Freibad?“
Ein Entscheidungsbaum hilft bei der Frage „Soll ich einen Regenschirm mitnehmen?“. Erste Frage: „Regnet es?“ Wenn ja: „Ja, mitnehmen.“ Wenn nein, zweite Frage: „Sind…
Ein Entscheidungsbaum hilft bei der Frage „Soll ich einen Regenschirm mitnehmen?“. Erste Frage: „Regnet es?“ Wenn ja: „Ja, mitnehmen.“ Wenn nein, zweite Frage: „Sind dunkle Wolken am Himmel?“ Ja: „Mitnehmen.“ Nein: „Nicht mitnehmen.“
- a) Zeichne den Entscheidungsbaum.
- b) Was ist die Entscheidung bei „Es regnet nicht, aber der Himmel ist dunkel“?
Aus Daten einen Baum bauen
Beim maschinellen Lernen wird der Baum nicht von Hand ausgedacht, sondern aus Daten erstellt. Man sucht Fragen, die die Beispiele möglichst gut in die richtigen Gruppen trennen.
Das Prinzip: Der Computer probiert viele Fragen aus und nimmt die, die am besten trennt. Das Ergebnis ist ein Modell, das auch neue Fälle einordnen kann.
Eine Klasse sammelt Daten, um vorherzusagen, ob jemand in der Pause Fußball spielt. Die Tabelle zeigt 6 Schüler (Sonne = ja/nein, Ball dabei = ja/nein, Spielt Fußball):…
Eine Klasse sammelt Daten, um vorherzusagen, ob jemand in der Pause Fußball spielt. Die Tabelle zeigt 6 Schüler (Sonne = ja/nein, Ball dabei = ja/nein, Spielt Fußball):
-
ja, ja, ja
-
ja, nein, nein
-
nein, ja, nein
-
nein, nein, nein
-
ja, ja, ja
-
nein, ja, nein
- a) Erstelle aus den Daten einen Entscheidungsbaum, der alle Beispiele richtig vorhersagt.
- b) Wie wird ein neuer Schüler eingeordnet, bei dem die Sonne scheint und der Ball dabei ist?
Training, Test und Fehler
Ein lernendes Programm arbeitet in zwei Phasen:
-
Training: Das Programm bekommt viele Beispiele mit der richtigen Antwort (Trainingsdaten).
-
Test: Es bekommt neue Beispiele, die es noch nie gesehen hat (Testdaten), und ordnet sie selbst ein.
Wie gut es ist, misst man mit dem Anteil der richtigen Antworten. Beispiel: 17 von 20 Testbildern richtig ergibt $\frac{17}{20} = 0{,}85 = 85\,\%$.
Warum testet man mit neuen Daten? Wer nur die Aufgaben prüft, die er vorher auswendig gelernt hat, merkt nicht, ob er wirklich etwas verstanden hat. Erst neue Fälle zeigen, ob das Gelernte verallgemeinert werden kann.
Ein Programm soll lernen, Äpfel von Birnen zu unterscheiden. Es bekommt 100 Bilder, bei denen jeweils steht, welche Frucht gezeigt wird (Trainingsdaten). Danach bekommt…
Ein Programm soll lernen, Äpfel von Birnen zu unterscheiden. Es bekommt 100 Bilder, bei denen jeweils steht, welche Frucht gezeigt wird (Trainingsdaten). Danach bekommt es 20 neue Bilder, die es einordnen soll (Testdaten). 17 davon ordnet es richtig ein.
- a) Berechne den Anteil der richtig eingeordneten Testbilder in Prozent.
- b) Erkläre, warum man mit anderen Bildern testet als mit denen, mit denen trainiert wurde.
- c) Das Programm hat nur Bilder von roten Äpfeln und gelben Birnen gesehen. Welcher Fehler kann bei einem grünen Apfel auftreten?
Zwei Entscheidungsbäume sollen vorhersagen, ob ein Schüler mit dem Fahrrad zur Schule kommt. Baum A fragt zuerst „Regnet es?“ und dann „Wohnt der Schüler weiter als 5 km…
Zwei Entscheidungsbäume sollen vorhersagen, ob ein Schüler mit dem Fahrrad zur Schule kommt. Baum A fragt zuerst „Regnet es?“ und dann „Wohnt der Schüler weiter als 5 km entfernt?“. Baum B hat 10 Fragen und stimmt auf den Trainingsdaten (30 Schüler) in allen Fällen, in neuen Daten aber nur zu 60 %. Baum A stimmt auf den Trainingsdaten zu 90 % und auf neuen Daten zu 85 %.
- a) Welcher Baum ist besser? Begründe.
- b) Erkläre, was man unter „Überanpassung“ versteht.
- c) Welche Rolle spielt die Menge der Trainingsdaten dabei?
Neuronale Netze
Ein künstliches neuronales Netz ist ein Modell, das grob dem Gehirn nachempfunden ist. Es besteht aus kleinen Recheneinheiten („Neuronen“), die in Schichten angeordnet und durch Verbindungen verknüpft sind.
Beispiel Katzenerkennung: Die Eingabe sind die Helligkeitswerte der Bildpunkte, die Ausgabe lautet „Katze“ oder „keine Katze“. Jede Verbindung hat eine Stärke (ein Gewicht). Starke Verbindungen geben ein Signal stark weiter, schwache kaum.
Beim Training zeigt man dem Netz viele Bilder mit der richtigen Antwort. Wenn es falsch liegt, werden die Stärken ein wenig verändert, bis die Antworten immer öfter stimmen. Niemand stellt die Stärken von Hand ein.
Ein neuronales Netz besteht aus Eingabeschicht, Zwischenschichten und Ausgabeschicht. Es soll erkennen, ob auf einem Bild eine Katze zu sehen ist. a) Was könnte als…
Ein neuronales Netz besteht aus Eingabeschicht, Zwischenschichten und Ausgabeschicht. Es soll erkennen, ob auf einem Bild eine Katze zu sehen ist.
- a) Was könnte als Eingabe dienen und was als Ausgabe?
- b) Erkläre mit eigenen Worten: Jede Verbindung im Netz hat eine „Stärke“ (Gewicht). Was passiert beim Training mit diesen Stärken?
Folgen von KI
KI bringt Vorteile, aber auch Risiken. Weil sie aus Daten lernt, ist sie nur so gut und so fair wie diese Daten.
-
Empfehlungsdienste nutzen die Daten vieler Nutzer, um dir Passendes zu zeigen. Vorteil: Du findest schnell Neues, das dir gefällt. Nachteil: Du siehst immer ähnliche Inhalte (Filterblase), und der Dienst sammelt viele Daten über dich.
-
Verzerrung: Wurde eine KI mit einseitigen Daten trainiert, übernimmt sie die Vorurteile darin. Wenn früher überwiegend Männer eingestellt wurden, lernt eine Bewerbungs-KI, Männer zu bevorzugen. Gegenmaßnahmen: ausgewogenere Trainingsdaten, Tests auf Fairness, ein Mensch prüft und entscheidet am Ende.
Ein Streamingdienst nutzt die Daten von Hunderttausenden Nutzern, um Filme zu empfehlen. Eine Schülerin sagt: „Die KI weiß genau, was mir gefällt.“ a) Erkläre, auf…
Ein Streamingdienst nutzt die Daten von Hunderttausenden Nutzern, um Filme zu empfehlen. Eine Schülerin sagt: „Die KI weiß genau, was mir gefällt.“
- a) Erkläre, auf welcher Grundlage die Empfehlungen entstehen.
- b) Nenne zwei Folgen für die Nutzer, etwa Vorteile und Nachteile (zum Beispiel „Filterblase“).
- c) Beurteile die Aussage der Schülerin.
Ein Unternehmen testet eine KI, die Bewerbungen vorsortiert. Sie wurde mit den Daten der letzten zehn Jahre trainiert, in denen überwiegend Männer eingestellt wurden.…
Ein Unternehmen testet eine KI, die Bewerbungen vorsortiert. Sie wurde mit den Daten der letzten zehn Jahre trainiert, in denen überwiegend Männer eingestellt wurden. Die KI bewertet nun Bewerbungen von Frauen schlechter.
- a) Erkläre, wie es zu dieser Verzerrung kommt.
- b) Nenne zwei Maßnahmen, mit denen man das Problem verringern könnte.
- c) Soll eine KI allein über Bewerbungen entscheiden? Begründe deine Meinung.
Zurück zum Anfang: Niemand hat dem Streamingdienst jede Empfehlung einzeln einprogrammiert. Er hat aus den Daten vieler Nutzer gelernt, welche Filme zusammenpassen, und wendet dieses Muster auf dich an.
Auf einen Blick
-
KI-Anwendungen im Alltag sind zum Beispiel Spracherkennung, Bilderkennung, Empfehlungsdienste und Suchmaschinen.
-
Ein Entscheidungsbaum trifft über Ja/Nein-Fragen eine Entscheidung: Wurzel, Verzweigungen, Blätter.
-
Beim maschinellen Lernen wird ein Modell aus Trainingsdaten erstellt und mit neuen Testdaten überprüft.
-
Überanpassung bedeutet: gut auf den Trainingsdaten, schlecht auf neuen Daten. Viele, vielfältige Daten helfen.
-
Neuronale Netze haben Schichten und Verbindungen mit Stärken, die beim Training angepasst werden.
-
KI kann Verzerrungen aus Daten übernehmen. Bei wichtigen Entscheidungen sollten Menschen prüfen.